인공 신경망이 대중에게 널리 알려진 것은 구글의 딥마인드가 개발한 알파고 덕분이라고 해도 무방하다. 딥 러닝이 계속해서 발전함에 따라 인공신경망을 적용하려는 시도는 다양한 분야로 넓어지고 있다. 인공 신경망 학습 기술은 첨단 기술의 발전을 위한 하나의 기법으로 발전하고 있다.
항공 분야도 예외는 아니다. 해외의 경우 비행체의 초기 설계 단계에서 공력 계수를 예측하는데 인공 신경망을 적용하는 연구를 진행하고 있다. 또한 국내에서도 형상에 대한 공력 계수를 예측하는데 인공 신경망을 이용한 연구를 진행하고 있다. 해당 연구 사례들은 인공신경망 기법이 초기 설계 단계에서 공력 성능을 예측하는 기법 중 하나가 될 수 있는 가능성을 제시하고 있다.
한편, 풍동 시험 단계에서도 공력 하중을 미리 예측하여 잠재된 위험요소를 최소화할 필요가 있다. 컴퓨터의 연산 능력이 좋아지고 저장 용량이 늘어남에 따라 기존의 풍동 시험 데이터와 고차 정확도 프로그램의 데이터를 저장 및 활용하여 인공 신경망 모델을 구축해두면 기본 설계 단계에서 유도탄 개발에 유연하게 대응할 수 있을 것으로 예상된다.
본 연구에서는 심층신경망을 이용하여 유도탄 형상에 대한 공력 하중 예측 모델을 개발하였다. 유도탄 형상 및 유동 조건에 대해 Python을 이용하여 Missile DATCOM으로부터 공력 데이터를 자동으로 추출할 수 있도록 하였다. 형상 변수의 경우 Factorial Design과 Latin Hypercube Sampling의 2가지의 실험계획법에 따라 학습에 필요한 데이터를 결정하였다. 그리고 합성곱 신경망 기법을 위해 Signed Distance Function을 이용하여 이미지를 생성하였다. 신경망 모델의 학습 성능에 주요한 영향을 미치는 활성화 함수와 최적화기 결정을 위해 동일한 학습 모델에 대해서 30번 반복 학습 수행 후 손실함수의 결과들을 관찰하였다.
Tensorflow를 이용하여 Multi Layer Perceptron과 Mixed Input Neural Network를 구축하였다. Multi Layer Perceptron은 데이터 수에 따라 학습 성능을 관찰하였고, Mixed Input Neural Network는 데이터 개수에 따른 학습 성능 변화 및 이미지 해상도에 따른 학습 성능 변화를 살펴보았다. 그리고 학습이 완료된 모델에 대하여 임의의 형상을 대입하여 결과를 비교해보았다. 대체적으로 Latin Hypercube Sampling을 이용한 학습 모델이 Factorial Design에 의한 결과보다 낮은 손실함수 값을 가졌다. 또한, 합성곱 신경망을 적용한 Mixed Input Neural Network의 경우 일정 이미지 해상도 이상에 대해서는 손실함수의 값이 크게 변하지 않는 것을 확인하였다.
임의의 유도탄 형상을 학습된 모델에 대입한 결과 Multi Layer Perceptron으로 구성한 신경망이 Mixed Input Neural Network보다 더 강건한 모델이라는 것을 확인하였다. 합성곱 신경망의 입력변수의 구체적인 수치를 입력하지 않고 간단하게 이미지만 입력하면 되는 이점을 이용하기 위해서는 보다 강건한 학습 모델 구축을 위해 다양한 추가 연구가 필요하다.
신경망 모델의 좋은 성능을 기대하기 위해서는 데이터의 양적, 질적인 측면을 고려해야하고, 초매개변수(Hyperparameter) 선정을 위한 추가 연구가 필요하다. 본 연구는 실시간 공력 하중 예측을 통해 유도탄 개발에 유연하게 대응하기 위한 신경망 모델 구축의 기준이 될 수 있다는 점에서 의의가 있다.

The popularity of artificial neural networks to the public can be attributed to AlphaGo, developed by Google’s DeepMind. As deep learning continues to develop, attempts to apply artificial neural networks into various fields are expanding.
The field of aviation is no exception. Researches are underway around the world to apply artificial neural networks to predict aerodynamic coefficients of aerial vehicles at the initial design stage. Also, in Korea, researches using artificial neural networks to predict aerodynamic coefficients have been conducted. These researches suggest the possibility of predicting aerodynamic performance by applying artificial neural networks in the initial design stage.
Meanwhile, in the wind tunnel test stage, it is necessary to predict aerodynamic loads in advance to minimize potential hazards. As the computing power improves and the storage capacity increases, it is expected that it will be able to respond flexibly to the development of guided missiles at the basic design stage by storing and utilizing the existing wind tunnel test data and data from high fidelity simulation programs to build artificial neural network models.
In the present study, models for predicting aerodynamic loads of missile configurations were developed using deep neural networks. Aerodynamic data were extracted from Missile DATCOM automatically using Python. Missile shape parameters were determined according to two design of experiment(DOE) methods, Factorial Design and Latin Hypercube Sampling. And for the convolution neural network, images were generated using the signed distance function around two-dimensional missile geometries. For the neural network model design, results of the loss function were observed after 30 independent runs of learning on the same learning model to determine the activation function and the optimizer, which have a major influence on the performance of deep neural networks.
Learning models were constructed based on Multi Layer Perceptron(MLP) and Mixed Input Neural Network(MINN) were constructed using Tensorflow. MLP models were constructed for the two DOE methods and various sizes of dataset, MINN were constructed for the DOE methods, various sizes of dataset and image resolutions. The performance of the trained models were also compared for an arbitrary missile configuration. In general, the models using Latin Hypercube Sampling had a smaller values of the loss function. In addition, it was found that the value of the loss function does not change significantly above a certain level of image resolution.
As a result of substituting an arbitrary missile configuration into the learned model, it was found that MLP neural networks are more robust than the MINN models. In order to take advantage of the convolution neural network which allows inputting images rather than specific parameters for missile geometries, further studies are needed to build robust learning models.
For better performance of the neural network models, quantitative and qualitative aspects of data should be considered, and studies for hyperparameter selection are needed. The results of the present can serve as a basis for building neural network models of aerodynamic loads for missile developments.